AI硬件定向拾音前移：Soundskrit麦克风物理层

过去两年，AI硬件领域的热点几乎完全被模型、算力和形态创新所占据。AI眼镜、AI玩具、录音卡片等各类形态产品密集涌现，终端厂商们都在努力探索同一个核心问题：大模型如何从云端真正落地到现实世界？

然而，在实际应用场景中，一个更为基础的问题逐渐凸显——AI设备首先要能够清晰捕捉人类语音。过去，语音交互主要局限于唤醒词、简单指令以及智能音箱的问答场景，偶尔的误唤醒或识别失败，用户尚可容忍。但现在，随着语音技术进入会议记录、采访转写、直播收音、多人发言归因、声纹识别乃至“随时随地的个人助理”等场景，音频输入的质量已不再仅仅是体验问题，它直接决定了最终结果的可靠性与准确性。

“我觉得现在情况不一样了，它（音频）已经成为一个商务用途，要求也随之提高。”Soundskrit中国区总监严更真在刚结束的慕尼黑电子展期间接受了与非网独家专访，并在现场演示了其产品与技术原理。

传统全向麦克风阵列，为何在AI终端中逐渐力不从心？

在当前主流音频方案中，“全向麦克风+阵列+算法”依然是最常见且技术最成熟的路线。其工作原理并不复杂：全向麦克风首先将周围的声音无差别地采集进来，多颗麦克风组成阵列，通过彼此之间的时间差、相位差和幅度差来判定声源方向，随后由算法完成波束成形、差分处理、降噪以及回声消除等步骤，最终将目标声音从复杂的背景噪声中“过滤”出来。

严更真并未否认传统阵列路径的成熟性，但他也直言不讳地指出，这条技术路线在AI终端中正逼近性能瓶颈：“越想在复杂环境中提升可用性，系统就会变得越‘庞大’。”他解释说，传统阵列的首要问题在于“有效性能损耗”。单颗全向麦克风本身或许具备不错的信噪比，但它缺乏天然的方向性。要形成定向拾音，就必须使用两颗甚至更多全向麦克风进行差分处理，通过算法构建出类似“八字形”的波束。然而，这一过程是有代价的。严更真援引业内常见数据举例：单颗全向麦克风信噪比可能达到约70dB，但两颗全向麦克风做差分后，为了实现方向性，系统的有效性能可能会降至51至55dB的区间。

传统阵列的方向性并非源自麦克风器件本身，而是依赖后端计算。两颗全向麦克风之间必须先采集到足够明显的空间差异，算法才有条件判断哪个方向是目标声源，哪个方向是背景噪声。但差分处理本身会抵消一部分信号，同时也会抬高系统的底噪。在传统的音频应用场景中，这种方式已经足够，然而AI终端面临的是更为复杂的应用环境。

8字形波束拾音区

“我们单芯片定向麦克风的简易示意图如下：单芯片无需算法介入，仅凭原始数据输出，就能形成良好的8字型波束拾音区，自动隔离90度和270度方向上的噪声。”传统全向麦克风阵列依靠算法在后端“计算”出方向性，而定向麦克风则希望从一开始就在原始信号阶段获取方向信息。

第二个瓶颈在于设备尺寸。麦克风阵列要有效工作，麦克风之间必须保持一定间距，因为算法依赖于不同位置采集到的声波差异。严更真根据业内经验指出，两颗全向麦克风进行定向时，间距通常需要达到约2厘米才能保证可靠性。这个距离放在桌面会议设备或智能音箱中或许不算夸张，但若嵌入AI设备，设计尺寸就显得过大。如果指向拾音必须依赖数厘米级别的阵列间距，许多产品形态将天然受到限制。

第三个瓶颈是系统复杂度的急剧提升。传统阵列在简单场景下可以仅用两颗麦克风解决问题，但一旦进入360°会议室、多人发言归因、车内四座声音分区、机器人声源定位等场景，厂商往往需要增加麦克风数量，采用四麦、六麦甚至更多阵列来提高空间采样能力。麦克风数量增加后，新的问题随之涌现：结构开孔更复杂，声学一致性更难保障，算法调参周期延长，功耗、成本、测试以及量产校准压力均会上升。在某些录音卡片类设备上，传统方案可能需要使用5到6个麦克风构建阵列，而Soundskrit希望用“两个定向麦+一个全向麦”的紧凑组合实现相近的拾音效果。

算法并非越重越好。许多AI硬件既需要降低环境噪声，又需要保留人声的自然质感。严更真提到，一些场景并不希望“处理强度过高”，特别是那些需要保留讲话与音乐原始音质的场景，过度降噪会导致失真与不自然感，最终还是会回到“输入端不够纯净”的问题上。

事实上，AI设备对音频的要求已不仅仅是简单的收音，而是要明确知道谁在说话、声音从哪个方向来。这也是严更真反复强调“先把声音采干净”的原因。如果输入端混入太多环境噪声、多人的声音以及空间反射，后端模型就必须付出更重的计算、实施更激进的滤波以及更复杂的补偿。对于语音转写、说话人分离、发言归因以及声纹识别而言，前端信号质量本身就是基础条件。

AI终端需要的是一种更底层的“增强型音频”能力：在前端就尽可能将目标声源与环境噪声分离开来，把空间方向、声源位置以及目标用户的信息更早地引入信号链路。

将方向性前移至麦克风的物理层

如果说传统全向麦克风阵列的思路是“先把声音收进来，再通过算法把目标声音分离出来”，那么Soundskrit想要做的事情正好相反：让麦克风在原始信号阶段就具备方向性。

按照严更真的描述，Soundskrit的方案仍然属于MEMS麦克风技术路线。Soundskrit的定向麦克风在振动薄膜的上下各开一个孔，让声音从不同方向进入薄膜，从而产生可利用的路径差、相位差和压力差，从物理层帮助系统识别主讲人的方向，并抑制侧向噪声。严更真用一句话概括：“我们的硅麦在振动薄膜的上下各开了一个孔……通过相位差异来识别谁是主讲人？”

这个原理可以用更直观的方式理解。普通全向麦克风的目标是尽可能均匀地拾取来自各个方向的声音；而Soundskrit的定向MEMS麦克风，则更像是在器件结构内部预先设计了一个“方向选择器”。当声音从麦克风的正前方或正后方传来时，它到达薄膜两侧的路径、时间和压强存在差异，薄膜会产生相应振动，并转换成电信号；但如果声音来自90度或270度侧向方向，理想情况下，它到达薄膜两侧的时间和衰减距离更为接近，薄膜两侧受到的压力差变小，振动也随之减弱。严更真在现场解释时说，侧向噪声如果到达薄膜两侧的压力接近，“那薄膜就不振动了……不产生电信号了”，这意味着麦克风在物理层已经对侧向噪声进行了天然抑制。

这样的设计带来的结果是：单颗定向麦克风的原始输出就能够形成类似“8字形”的拾音区。严更真拿着实物在现场解释，Soundskrit麦克风通过两个孔的结构设计，在0度和180度方向拾取声音最强，而90度和270度方向的声音则会被明显压低。

这正是“把方向性前移至物理层”的核心含义。

3D空间拾音的展示样机

Soundskrit的Butterfly评估套件则进一步展示了这种思路在3D空间拾音中的扩展应用。Butterfly包含三个正交布置的Soundskrit偶极麦克风和一个全向麦克风，总厚度小于3.5毫米，麦克风信号可用于判断声音到达方向，并自动将定向波束转向声源位置；其3D自动转向模式可以检测任意方向上的最响亮声源，并显示水平角和仰角。

在Soundskrit的产品体系中，Butterfly更像是一个将底层技术“可视化”的展示样机。它让终端厂商能够直观地看到：声音从哪里来，系统如何判断方向，以及如何将拾音波束转向目标方向。

从结构上看，Butterfly的关键在于建立了“空间坐标”体系。X/Y两个偶极麦克风覆盖水平面，Z轴偶极麦克风覆盖垂直方向，W全向麦克风则提供参考信号。这样一来，系统处理的就不再是一组普通的音频信号，而是带有空间方向信息的声音输入。对于会议转录、智能座舱、机器人交互等场景而言，这种能力的意义非常直接：设备需要明确知道声音来自左侧、右侧、前方，还是来自更高或更低的位置。

严更真在演示中，重点展示了这种“方向识别+波束跟随”的实际效果。他让现场人员说话，界面会实时显示平面角度；当人员转动或移动到不同方向时，系统随之输出角度变化。他提到，在一米距离下，平面角度识别精度可以达到约±2.5度；切换到3D模式后，还可以识别声音的高低方向，即除了水平角之外，还能增加垂直角度的判断。按照他的解释，这类能力可以对应智能座舱、机器人原型机以及会议转录等应用场景，“它实际上在识别这个角度的同时，在这个方向形成了一个拾音区”，从而在瞬间压制其他方向的噪声。

因此，Butterfly的价值在于用极小的体积实现了3D声源定位和自动波束转向。对于客户来说，这类样机能够将“空间音频输入”从概念转化为可测试、可调试、可迁移的设计参考。

从AI眼镜到录音卡片，定向拾音正在走向真实产品形态

定向拾音的价值，最终需要在具体产品形态中加以验证。在慕展现场，严更真首先展示了一款AI眼镜。它的特别之处在于，在鼻梁附近放置了指向麦克风，拾音方向更接近佩戴者的嘴部。

当用户通过眼镜打电话、录音或进行AI交互时，系统会优先提取嘴部附近的声音，避免将周围环境中的声音一股脑地采集进来。

现场测试中，笔者接通电话后持续说话，严更真站在旁边制造干扰声，从左边、右边、下方等不同位置模拟展会现场的近距离噪声。普通全向麦克风很容易将旁边的人声一并收入通话链路，但在此次演示中，旁边的噪声被明显压低，收音区域更集中于佩戴者的嘴部。

眼镜天然贴近用户，也天然暴露在开放环境中。传统的全向麦克风容易将路人声、风噪以及环境噪声一起采集进来；定向麦克风的意义在于先限定有效的拾音区，让后端算法面对更清晰的输入信号。

另一类正在快速升温的AI产品是录音卡片。相比传统录音笔，这类设备更轻、更薄，也更强调“录制后即可整理”的AI工作流。严更真提到，在某些录音卡片类设备上，传统方案可能需要5到6个麦克风构建阵列，而Soundskrit希望通过“两个定向麦+一个全向麦”的紧凑组合，达到较好的空间拾音效果。

这种思路还在向车载座舱和机器人领域延伸。严更真指出，智能座舱未来将越来越重视“声音分区”功能，包括后排与前排的隔离、识别具体哪个座位在讲话；机器人则需要在嘈杂环境中判断用户方向，并做出响应。对这些产品而言，定向拾音已从单纯的音质优化，转变为AI终端理解真实场景的关键能力。

总结：AI硬件的音频竞争，才刚刚拉开序幕

Soundskrit是一家来自加拿大魁北克的定向麦克风技术公司，其核心技术方向是将声音的方向信息前移至MEMS麦克风器件层面，通过定向硅麦、DOA声源方向识别以及波束成形能力，为AI眼镜、录音卡片、会议转写设备、智能座舱、机器人、耳机及工业降噪等场景提供增强型音频解决方案。其技术特点在于单颗麦克风即可形成指向性拾音能力，配合多颗定向麦与全向麦，还能实现360°声源追踪和3D空间拾音。

从AI眼镜、录音卡片到车载座舱和机器人，未来音频系统的核心价值将越来越接近“感知”能力。它需要帮助设备判断谁在说话、从哪个方向说话、以及是否为目标用户。AI硬件最终比拼的不仅是回答问题的能力，也包括在真实环境中获取可靠输入的能力。设备只有先听清、分清、对得上，后端智能才有真正发挥的空间。

Soundskrit方案的启示在于，音频链路的分工正在发生改变。硬件前端先完成部分空间选择和目标声源增强，算法随后负责更复杂的声源定位、波束切换、声纹识别、多说话人分离以及语义理解。Butterfly评估套件所展示的3D声源方向识别和自动波束转向能力，也表明空间音频输入正在成为AI终端可调用的前端能力，而不再仅仅是录音质量的附加项。

严更真在采访中强调，如果前端不能将目标声音采集干净，后端的ASR、声纹识别以及大模型都会受到影响。因此，AI终端的音频竞争将越来越重视“物理层增强与算法协同”，而这种竞争，才刚刚开始。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：AI硬件定向拾音前移：Soundskrit麦克风物理层要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题